Schatting van energie-uitgaven en classificatie van fysieke activiteit met wearables (EEPAC)

Lichamelijke activiteit (PA) wordt gedefinieerd als elke lichamelijke beweging geproduceerd door skeletspieren die energieverbruik vereist. Het wetenschappelijke bewijs voor de gunstige effecten is onweerlegbaar. Het is bewezen dat regelmatige PA helpt bij het voorkomen en behandelen van verschillende niet-overdraagbare ziekten, zoals hartaandoeningen, beroertes, diabetes en verschillende vormen van kanker.

PA is een complex gedrag dat wordt gekenmerkt door frequentie, intensiteit, tijd en type (FITT). Om het effect van PA op de gezondheid en ons algemeen welzijn te begrijpen, is het essentieel om alle vier de kenmerken van PA te monitoren. Een PA-classificatie-algoritme kan de hoeveelheid tijd beoordelen die wordt doorgebracht in verschillende lichaamshoudingen en activiteiten. Waardoor het mogelijk is frequentie, tijd en type te beoordelen. Om PA volledig te karakteriseren, moet de intensiteit worden geschat. Dit kan worden gedaan door de schatting van het energieverbruik (EE).

Wearables spelen een cruciale rol bij het monitoren van PA. Ze zijn een praktische manier om objectieve PA-gegevens in het dagelijks leven te verzamelen, op een onopvallende manier, tegen relatief lage kosten. Bovendien kunnen ze worden toegepast als motiverend hulpmiddel om PA te verhogen. Accelerometrie is routinematig gebruikt om PA te kwantificeren en om EE te voorspellen met behulp van lineaire en niet-lineaire modellen. De relatie tussen EE en versnelling verschilt echter per activiteit. Fietsen kan bijvoorbeeld dezelfde versnellingsamplitude genereren als hardlopen, maar de EE kan sterk verschillen. Het is duidelijk dat versnelling alleen een beperkte nauwkeurigheid heeft om EE van verschillende activiteiten te schatten.

De schatting van EE kan worden verbeterd door eerst het activiteitstype te classificeren. Voor elk type activiteit kunnen verschillende schattingen worden gebruikt. Er zijn talloze methoden om PA te classificeren en EE te schatten. Literatuur beschrijft het gebruik van op regressie gebaseerde vergelijkingen in combinatie met cut-points, lineaire modellen, niet-lineaire modellen, beslissingsbomen, kunstmatige neurale netwerken, enz. Het is nog steeds onduidelijk wat de beste methode zou zijn om EE te schatten, om nog maar te zwijgen over welke kenmerken zouden bijdragen aan het model.

Een andere mogelijkheid is om een ​​relevant biosignaal toe te voegen aan het schattingsmodel. Hartslag, ademhalingsfrequentie, temperatuur zijn allemaal signalen die een reactie hebben die verband houdt met een toename van PA. Hartslag is eerder gebruikt om de EE-schatting te verbeteren in combinatie met accelerometrie. De ademhalingssnelheid en temperatuur zouden kunnen bijdragen aan de schatting van EE is nog onduidelijk.

Het doel van de huidige studie is dan ook tweeledig. Ten eerste om de bijdrage van verschillende variabelen (fysiologische signalen) aan de schatting van EE en de classificatie van PA te onderzoeken. Ten tweede, ontwikkel en valideer een model om EE te schatten en PA te classificeren in gesimuleerde vrijlevende omstandigheden op basis van de relevante variabelen.